- 综合排序
- 最热优先
- 最新优先
- 来自专栏HyperAI超神经
闭眼推荐，9 个不能错过的机器学习数据集
By 超神经 内容一览：本期整理了 HyperAI超神经官网近期更新的 9 个数据集，涉及人脸识别、姿态估计、自动驾驶三个领域。 本文整理汇总了 9 个具有代表性的数据集，大家按需下载使用。
92330编辑于 2022-11-29 - 来自专栏AI科技大本营的专栏
Chatbot大牛推荐：AI、机器学习、深度学习必看9大入门视频
入门款——基础介绍 在推荐入门款视频之前，先叨叨几句，为了让你能结合起来看得更明白。（小白的重点学习专区） 人工智能的目的是什么呢？ 答：让机器表现得更像人类，甚至在某些技能上超越人类。 我们人类只要把算法和计算能力保证了，别的就不用管了，机器它自己就会学习。 机器是怎么自主学习呢？ 答：通过学习已有的标注数据来解决问题，而并不需要把规则硬编码到算法中。 等机器看完这海量的图片，它自己就认得，什么是猫，什么狗。 那什么又是深度学习呢？ 深度学习属于机器学习，不过更复杂。 ；强烈推荐下面这个视频哦 。 我的分享就到这里了，除了这些，如果你也有好的视频资源，欢迎在后台留言推荐哦。
81270发布于 2018-04-27 - 来自专栏MiningAlgorithms
机器学习9：采样
if __name__ == '__main__': plot_mcmc(0.1, 0.1) plot_mcmc(1, 1) plot_mcmc(2, 3) Reference： 《百面机器学习
2.1K30发布于 2019-08-08 - 来自专栏MongoDB中文社区
9月.精华文章推荐
MongoDB副本集中的副本数量是可配置的：更大数量的副本将提供增加的数据可用性和防止数据库停机（例如，在多机器故障、机架故障、数据中心故障或网络分区的情况下）。 但是如果是从2.6升级到3.0版本的，MongoDB还是支持 MONGODB-CR 算法的，然而官方极力推荐升级算法。 中的验证过程，这里就简单总结一下： 服务器 Product Name: ProLiant DL360 Gen9 Storage: RAID10, SSD, 1600GB CPU*2: Intel(R)
71320发布于 2018-08-14 - 来自专栏AutoML(自动机器学习)
Andrew Ng机器学习课程笔记--week9(上)(异常检测&推荐系统)
本周内容较多，故分为上下两篇文章。 一、内容概要 1. Anomaly Detection Density Estimation Problem Motivation Gaussian Distribution Algorithm Building an Anomaly Detection System（创建异常检测系统） Developing and Evaluating an Anomaly Detection System Anomaly Detection vs. Supervised Lear
76390发布于 2018-01-23 - 来自专栏MongoDB中文社区
9月.精华文章推荐
MongoDB副本集中的副本数量是可配置的：更大数量的副本将提供增加的数据可用性和防止数据库停机（例如，在多机器故障、机架故障、数据中心故障或网络分区的情况下）。 但是如果是从2.6升级到3.0版本的，MongoDB还是支持 MONGODB-CR 算法的，然而官方极力推荐升级算法。 中的验证过程，这里就简单总结一下： 服务器 Product Name: ProLiant DL360 Gen9 Storage: RAID10, SSD, 1600GB CPU*2: Intel(R)
83050发布于 2019-04-22 - 来自专栏AutoML(自动机器学习)
Andrew Ng机器学习课程笔记--week9(下)（推荐系统&协同过滤）
Low Rank Matrix Factorization Implementational Detail：Mean Normalization 二、重点&难点 Recommender System(推荐系统 ) 1.Predicting Movie 1）Problem Formulation 下面将以推荐电影为例来介绍推荐系统的实现。 表示用户j对电影i的评分 上面例子中可以知道 \(n_u=4 \quad n_m=5 \quad y^{(1,1)}=5\) 2）Content Based Recommendations(基于内容的推荐 ) 1.获取特征向量 为了实现推荐，我们为每部电影提取出了两个特征值，即x1（浪漫指数）和x2（动作指数） movie Alice Bob Carol Dave x1 x2 Love at last ^{(i,j)} )x_k^{(i)}+λθ_k^{(j)}\] 2.Collaborative Filtering(协同过滤) 1）Collaborative Filtering 在之前的基于内容的推荐系统中
96170发布于 2018-01-23 机器学习书籍推荐
吴恩达 Cousera 机器学习课程Andrew Ng 的机器学习课程（Machine Learning | Coursera）是很多人的启蒙课程，难度适中且完全免费。 另一个比较直接的观察是如果大家在知乎上搜索“机器学习如何入门？” ，大部分答案都提到了 Andrew 的这门入门课程，所以这是一门绝对的口碑课程，详细讨论可以参考：微调：为何国人迷恋吴恩达的机器学习课？。 周志华《机器学习》周志华老师的《机器学习》也被大家亲切的叫做“西瓜书”。虽然只有几百页，但内容涵盖比较广泛。然而和其他人的看法不同，我建议把西瓜书作为参考书而不是主力阅读书。
66310编辑于 2024-01-29- 来自专栏机器学习算法与Python学习
推荐 | 图解机器学习
关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第一 【Python】：排名第三 【算法】：排名第四 源 | ynaughty 每当提到机器学习，大家总是被其中的各种各样的算法和方法搞晕 确实，机器学习的各种套路确实不少，但是如果掌握了正确的路径和方法，其实还是有迹可循的，这里我推荐SAS的Li Hui的这篇博客，讲述了如何选择机器学习的各种方法。 其实机器学习的基本算法都很简单，下面我们就利用二维数据和交互图形来看看机器学习中的一些基本算法以及它们的原理。 如果对于算法的的准确性要求比较高，推荐的回归算法包括：随机森林，神经网络或者Gradient Boosting Tree。 如果要求速度优先，建议考虑决策树和线性回归。 Victorjs 2D向量库 推荐一些机器学习的路线图 https://ml-cheatsheet.readthedocs.io/en/latest/ 10大机器学习算法 https://www.gitbook.com
1.2K50发布于 2018-04-08 - 来自专栏开源小分队
推荐看看这 9 个牛逼项目~~
查看文章 项目地址：https://github.com/withfig/autocomplete 9、Know Streaming：一套云原生的 Kafka 监控平台，用于管理和观测 kafka ， 查看文章 项目地址：https://github.com/didi/KnowStreaming 推荐 2021年-2022年历史优质精华合集 写在最后 问君能有几多愁，开源项目解千愁，我们下期再见！
41220编辑于 2023-02-20 - 来自专栏SuperFeng
机器学习系列9：正则化
在线性回归问题中，像下面这个数据集，通过房屋面积去预测房价，我们用一次函数去拟合数据：
54620发布于 2019-09-26 - 来自专栏机器学习算法工程师
《机器学习》笔记-聚类（9）
作者： 刘才权 编辑： 黄俊嘉 前 言 如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。 对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》(https://zhuanlan.zhihu.com/p/30980999)），现在计划重新阅读《机器学习》[周志华]和《深度学习 这两本是机器学习和深度学习的入门经典。 另一方面，相信这个系列学习过程的记录，也能为像我一样入门机器学习和深度学习同学作为学习参考。
43250发布于 2018-06-07 - 来自专栏趣Python
机器学习（9）决策树
决策树仍然是监督学习方法，其基本思路跟我们人做一些决策的思路类似：可能要下雨，那就带伞；可能要停水，那就提前备水……
36420发布于 2020-06-05 - 来自专栏机器学习原理
机器学习（9）——SVM数学基础
支持向量机涉及到数学公式和定力非常多，只有掌握了这些数学公式才能更好地理解支持向量机算法。 最优化问题 最优化问题一般是指对于某一个函数而言,求解在其指定作用域上的全局最小值问题,一般分为以下三种情况(备注:以下几种方式求出来的解都有可能是局部极小值,只有当函数是凸函数的时候,才可以得到全局最小值) （1）无约束问题:求解方式一般求解方式梯度下降法、牛顿法、坐标轴下降法等;其中梯度下降法是用递归来逼近最小偏差的模型。我们在前面介绍过； （2）等式约束条件:求解方式一般为拉格朗日乘子法 （3）不等式约束条件:
95060发布于 2018-04-27 - 来自专栏机器学习算法与Python学习
经典机器学习书籍推荐
《Machine Learning》（《机器学习》） 作者Tom Mitchell是CMU的大师，有机器学习和半监督学习的网络课程视频。 《机器学习及其应用》 周志华、杨强主编。来源于“机器学习及其应用研讨会”的文集。 《推荐系统实践》 项亮，不错的入门读 深入 《Pattern Classification》（《模式分类》第二版） 作者Richard O. Duda[5]、Peter E. 极牛的书，可数学味道太重，不适合做机器学习的 《All Of Statistics》 机器学习这个方向，统计学也一样非常重要。 推荐All of statistics，这是CMU的一本很简洁的教科书，注重概念，简化计算，简化与Machine Learning无关的概念和统计内容，可以说是很好的快速入门材料。
3.4K90发布于 2018-04-08 - 来自专栏机器学习AI算法工程
用Python开始机器学习：推荐算法之推荐矩阵
所有这一切，都是背后的推荐算法运作的结果。最经典的关联规则算法是大名鼎鼎的Apriori算法，源自一个超市购物篮的故事：啤酒总是和尿布一起被购买。有兴趣的可以去看看。 本章我们来学习一种最简单的推荐算法：推荐矩阵。虽然简单，但是却被广泛应用着。 1、推荐矩阵 为描述方便，以下我们以“购物推荐”作为背景进行介绍。假设你有个卖商品的网站，拥有每个用户购买每个物品的数据。 这种方式是以用户为中心的，推荐出来的商品b可能跟商品a风流马不相及，因此更适合于类似SNS和微博这样的平台，根据用户的已知兴趣集合来向其推荐其他具有相同兴趣的用户； 2：寻找与商品（a）最为相似的商品（ b)，认为A既然对a感兴趣，也有可能对b感兴趣； 这种情况是以商品为中心的，因此更适合购物推荐这样的场景。 要计算某个商品a最相似的商品，我们通过计算商品a所在的列与其他的每一列的皮尔森相关系数，找出最大的前N个推荐给用户即可。
1K80发布于 2018-03-13 - 来自专栏小孟开发笔记
推荐9个常用的php代码（记得收藏）
为查出的每一行 } $link->close(); 6、获得客户端IP 1 echo $_SERVER['REMOTE_ADDR']; 7、一万亿以内数字转中文串： 1 2 3 4 5 6 7 8 9 $dict[9 + $j] : ''; $t = (($t || $s[$j]) && ($s[$j] !== '1' || $j !== 1) ? 转的话会返回true，任何非空字符串都会被转成true 1 2 $str = 'false'; $bool = filter_var($str, FILTER_VALIDATE_BOOLEAN); 9、 _64 #1 SMP Thu May 25 17:04:51 UTC 2017 x86_64 echo PHP_OS; // Windows 输出 WINNT // Linux 输出 Linux 推荐学习 ：php视频教程 未经允许不得转载：肥猫博客 » 推荐9个常用的php代码（记得收藏）
91640编辑于 2023-02-20 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-9 lasso
本系列是《玩转机器学习教程》一个整理的视频笔记。 对于这些超参数都是根据经验进行取值的，如果具体进行机器学习算法的过程中需要通过不断的实验不断的观察结果慢慢地形成经验指导，这样在调参的时候可以大概指导参数在那个范围内选择会相应的比较好。 当然在实际选择机器学习算法参数的时候，需要在完全不正则化（α取值为0）与正则化过头（就此例而言α取值为1，拟合曲线变成一条平行的直线）之间选择一个效果最好的取值。
1.2K20发布于 2020-01-14 - 来自专栏机器人网
常见的机器学习9个误区
误区1：机器学习就是人工智能 机器学习和人工智能经常当作是同义词，机器学习是从研究实验室走出现实世界最成功的一项技术，而人工智能则是一个广泛的领域，覆盖了计算机视觉、机器人和自然语言处理等领域，以及不包含机器学习的约束满足等方法 误区4：任何人都可以建立一个机器学习系统 有很多用于机器学习的开源工具和框架，以及无数课程向教你如何使用机器学习。 一个机器学习系统也可能给另一个机器学习系统施加偏见。 如果是在购物网站上得到类似的建议是有用的，但在涉及敏感林能够与时就会引发问题，并且会产生反馈回路；如果你加入Facebook反对接种疫苗的组织，Facebook的推荐引擎会推荐其他关注阴谋论或者认为地球是平坦的组织 误区9：机器学习将取代人类 人们常常担心人工智能会抢了人类的工作，而且肯定会改变我们的工作方式；机器学习系统可以提高效率和合规性并降低成本。
34030发布于 2018-07-23 - 来自专栏PPV课数据科学社区
机器学习技术类书单推荐
机器学习技术类书单推荐，共11本： 《机器学习》 《图解机器学习》 《机器学习实战》【有电子版】 《机器学习系统设计》【有电子版】 《Python机器学习基础教程》【有电子版】 《Python机器学习经典实例 通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。 实战2：必应团队教你ML系统设计 ? ，再介绍一些库，然后就开始基于数据集进行比较正式的项目开发了，涉及建模、推荐及改进，以及声音与图像处理。 此外还通过详细的例子和现实应用讲解了常见的机器学习模型，包括推荐系统、分类、回归、聚类和降维。 Mahout核心团队权威力作 大数据时代机器学习的实战经典 Mahout作为Apache的开源机器学习项目，把推荐系统、分类和聚类等领域的核心算法浓缩到了可扩展的现成的库中。
1.1K140发布于 2018-04-20
腾讯云开发者
